<div dir="auto">Thank you so much Dr. Ben for your generosity and time in responding this. I will try to think about it further and slowly trying your suggestions.<div dir="auto"><br></div><div dir="auto">Cheers, Yusak</div></div><div class="gmail_extra"><br><div class="gmail_quote">On Sep 22, 2017 9:17 PM, "Ben Elliston" <<a href="mailto:bje@air.net.au">bje@air.net.au</a>> wrote:<br type="attribution"><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">Hi Yusak<br>
<br>
On Fri, Sep 22, 2017 at 03:55:36PM +1000, Yusak Tanoto wrote:<br>
<br>
> When I want to do sensitivity analysis, what I understand is to<br>
> change the value of an input variable or some of them, for example<br>
> technology costs, fuel costs, and CO2 emission in order to observe<br>
> its impacts towards reliability, and then simulate NEMO.<br>
<br>
Many of the parameters you might want to modify in a sensitivity<br>
analysis can be specified on the command line. See the table under<br>
"Running an optimisation" in the notebook documentation.  For these,<br>
it's easy to run multiple evolutions from a shell script (or a batch<br>
file on Windows).  For example, you can run evolve.py in a 'for' loop,<br>
varying the gas price using --gas-price.<br>
<br>
For technology costs, the best way is to make a new cost class in<br>
costs.py, add it to the cost_scenarios table (at the bottom of<br>
costs.py) and then you can vary that similarly using --costs in a<br>
'for' loop.<br>
<br>
> A bit different, I am thinking about how to incorporate<br>
> uncertainties in NEMO, for example in terms of future demand so that<br>
> NEMO will respond by giving a solution which satisfy the variation<br>
> of future demand. Is this, in principle, possible to be conducted in<br>
> NEMO, I mean to introduce uncertainties or variability in the input<br>
> and having a solution which may satisfy that particular range.<br>
<br>
That's possible. You could generate a range of inputs in any way you<br>
like (for example, in good ol' Excel) and then do repeated evolutions<br>
on each value in the range.  I'd previously considered adding some<br>
uncertanty to the simulations (eg. simulating random generator<br>
failures), but this would make the evolution algorithm confused. If it<br>
runs two simulations with the same set of input parameters, it should<br>
get the same output.  With stochastic behaviour, that's out the<br>
window.<br>
<br>
Happy to hear others' ideas, too!<br>
<br>
Cheers, Ben<br>
</blockquote></div></div>